数字图像处理-张洪刚-第八章图像识别.pptVIP

* 　2. 平均距离法 　　平均距离法就是将待识模式X与模式类ωi (i=1,2,…,c) 中所有样例模式的距离平均值作为与X的距离，然后以距离最小的模式类作为X的类属。分类规则可描述为： 其中, (k=1, 2, …, c), sk为模式类ωk中的样例模式数。 * 　　3. 最近邻法 　　最近邻法是将与待识模式X距离最近的一个样例模式的模式类作为X的类属。分类规则可描述为 其中, 　　sk为模式类ωk中的样例模式数。 * * 几何分类法 　一个模式类就是相应特征空间中的一个点集。一般来讲，在特征空间中一个模式类的点集总是在某种程度上与另一个模式类的点集相分离。因此，模式识别的另一个思路就是设法构造一些分界面（线），把特征空间Rn分割成若干个称为决策区域的子空间Ri (i=1,2,…,n)，使得一个模式类刚好位于一个决策区域。这样，对于待识模式X，就可以利用空间中的这些分界面来判定X的类属。分界面（线）方程gi(X)=0中的函数gi(X)称为判别函数。显然，构造分界面的关键就是构造其判别函数。 　 分界面（线）可分为平面（直线）和曲面，相应的判别函数为线性函数和非线性函数。 * 对于二分类问题, 显然只需一个分界平面。设判别函数为 g(X)=WTX+w0 其中W= (w1, w2,…, wn)T为X中各分量x1, x2,…, xn的系数组成的向量，称为权向量；w0为一个常数，称为阈值权。那么，分界平面方程为 g(X) = WTX+w0= 0 由几何知识知,位于这个分界平面两边的点X的判别函数值g(X)符号相反。于是, 可有分类规则: g(X)0 X1 g(X)0 X2 g(X)=0 X属于X1或X2 ，或者不可判别 * 二分类问题的分界面(线)示意 * 概率分类法 　　基于最小错误率的贝叶斯决策 　　因为模式属于哪一模式类存在不确定性,所以需要用概率来决策, 就是说对于待识模式X,如果它属于哪个类的概率大则它就属于哪一类。但如果直接使用各模式类的先验概率P(ci), 则会因先验概率所提供的信息量太少而导致把所有模式都归入先验概率最大的模式类的无效分类。因此, 应该考虑后验概率P(ci|X), 但通常概率P(ci|X)不易直接求得的。幸好, 概率论中的贝叶斯公式可以帮忙, 事实上, 由贝叶斯公式 图解 p(x|ω1) p(x|ω2) p(ω1|x) p(ω2|x) 类条件概率密度函数 后验概率 最小错误率决策 * 模式识别过程示例：Fish Classification 预处理：image enhancement, separating touching/occluding fishes and finding the boundary of the fish Example from: R. Duda, P. Hart, D. Stork, “Pattern Classification”, second edition, 2000. * 先验知识: 鲈鱼一般比鲑鱼长 通过长度L是否超过了临界值L*来判断种类 为了确定恰当的L*值，必须先获得不同类别的鱼的若干样本(“设计样本”或”训练样本”)进行长度测量。 * * 验证了平均意义上鲈鱼要比鲑鱼长的结论 令人失望的表明: 单一的特征判据是不足以完美分类的。 继续尝试别的特征，如: 鱼的平均光泽度。 * * * 总体代价函数: 决策理论的中心任务是要确定一种决策,使该代价函数最小。 单一特征的分类效果不能令人满意，应考虑组合运用多种特征的方法。 特征组合: 光泽度x1和宽度x2,简化为一个二维的特征向量，或二维空间的一个点[x1,x2] * * * 出现的问题 考虑其它特征组合 特征对分类性能的重用程度 如果分类判决模型非常复杂，分界面也十分复杂。结果也不能令人满意，因为设计分类器的中心目标是对新样本能作出正确的反应，这就是”推广能力”. * * * * 可能的情况，采用更多的训练样本，以获得特征向量的更好估计，如使用样本的概率分布，但是样本数量毕竟有限，复杂的判断边界不可能很好的处理全新的样本模式。 “推广能力”和”复杂度”的折中 * * * 句法分析:判断一个句子x是否符合给定句法的过程,也是检验x是否属于给定文法G所生成语言L(G)的过程。 * 自适应共振理论ART(Adaptive Resonance Theory)模型,是一种自组织神经网络结构，是无教师的学习网络。 Hopfield神经网络模型是一种循环神经网络，从输出到输入有反馈连接。 自组织特征映射网络（SOM）模拟大脑神经系统自组织特征映射的功能，采用竞争式的学习方法，能够有效地进行自组织学习，自动把样本聚类。 chenguang@bupt.edu.